Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi)
RAG mengambil konteks yang relevan saat kueri diajukan agar LLM mengutip sumber nyata, bukan mengarang fakta.
Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi) adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.
Dua Masalah pada LLM Biasa
Bahkan LLM terbaik memiliki dua masalah struktural:
- Batas pengetahuan — model hanya mengetahui hal-hal yang ada dalam data pelatihannya. Tanyakan kepada GPT-4 tentang peristiwa kemarin, dan model tidak akan mengetahuinya.
- Halusinasi — ketika model tidak tahu, model dengan percaya diri mengarang sesuatu.
Apa Itu RAG
Generasi Berbantuan Pengambilan (RAG) berarti:
- Cari potongan yang relevan dalam basis pengetahuan
- Masukkan potongan tersebut ke dalam perintah
- Minta LLM menjawab hanya (ONLY) menggunakan potongan tersebut
Model menjadi "pembaca" pengetahuan eksternal, bukan bergantung pada bobotnya yang sudah tetap.
Contoh Konkret
Pengguna: "Bagaimana kebijakan pengembalian barang untuk perangkat elektronik yang sudah dibuka?"
- Cari "kebijakan pengembalian barang elektronik" dalam KB perusahaan—dapatkan 3 paragraf dari dokumen bantuan
- Buat perintah: "Dengan menggunakan konteks di bawah ini, jawab: ..."
- Model menghasilkan jawaban yang sesuai dengan sumber, disertai sitasi
Mengapa RAG Mengungguli Penyetelan Halus
Untuk pengetahuan faktual, RAG > penyetelan halus karena:
- Perbarui KB tanpa pelatihan ulang
- Data per pengguna / per penyewa dapat dipisahkan dengan mudah
- Sitasi dimungkinkan (Anda mengetahui potongan yang menghasilkan jawaban (WHICH))
- Lebih murah untuk dipelihara
Mengapa RAG Mengurangi Halusinasi
Jika model diarahkan untuk menjawab hanya (ONLY) dari konteks yang diberikan, dan konteks tersebut berisi kebenaran, kemungkinan model untuk menjawab dengan benar jauh lebih besar daripada jika model hanya mengandalkan ingatan.
Hasilnya tidak sempurna—model masih sesekali mengarang—tetapi halusinasi berkurang secara drastis.
Tiga Tahap
Setiap sistem RAG memiliki tiga tahap:
- Pemasukan data (luring)—bagi dokumen menjadi potongan, sematkan, lalu simpan
- Pengambilan (daring)—sematkan kueri, lalu temukan potongan K teratas
- Generasi (daring)—LLM menghasilkan jawaban menggunakan potongan yang diambil
RAG Naif vs RAG Lanjutan
RAG naif (prototipe 5 baris):
- Pemotongan berukuran tetap
- Pengambilan satu vektor
- Masukkan K teratas ke dalam perintah
RAG lanjutan menambahkan pemeringkatan ulang, penulisan ulang kueri, HyDE, banyak vektor, dan evaluasi—masing-masing meningkatkan kualitas, tetapi juga menambah kompleksitas.
Kapan RAG Membantu
- Basis pengetahuan / dokumen perusahaan
- Dukungan pelanggan berdasarkan panduan produk
- Tanya jawab faktual yang jarang ditanyakan
- Asisten pribadi berdasarkan data pengguna
Kapan RAG Merugikan
- Obrolan ringan (tidak memerlukan fakta)
- Tugas yang membutuhkan penalaran, bukan fakta
- Ketika korpus cukup kecil untuk dimuat ke dalam konteks
Templat Perintah
Perintah RAG yang umum terlihat seperti ini:
prompt = f'''
Answer the user\'s question using ONLY the context below.
If the answer is not in the context, say 'I do not know'.
Context:
{retrieved_chunks}
Question:
{user_question}
Answer:
'''Sitasi
Format potongan dengan ID sumber dan minta model mencantumkan sitasinya:
context = '\n'.join(
f'[doc {i+1}] {chunk.text}'
for i, chunk in enumerate(chunks)
)
# Then ask: 'Cite the relevant [doc N] for each claim.'Tujuan RAG
Apa yang terutama ditangani oleh RAG?
Ringkasan
RAG mengubah LLM menjadi peserta ujian dengan buku terbuka. Berikutnya: cara membagi dokumen untuk pengambilan.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi)” gratis?
Ya — teks lengkap “Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi)” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi)”?
RAG mengambil konteks yang relevan saat kueri diajukan agar LLM mengutip sumber nyata, bukan mengarang fakta. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents?
Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi)” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?
Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Apa yang Diatasi RAG (Batas Pengetahuan, Halusinasi)
- Strategi Pemotongan (Tetap, Kalimat, Semantik)
- Mengindeks Sekumpulan Dokumen
- Membangun RAG Naif dengan FAISS atau Chroma